Programme Data Science les fondamentaux
Durée : 2 jours - 14 heures
Tarif : Nous contacter pour une formation INTER – INTRA ou en COURS PARTICULIER
La formation est délivrée en présentiel ou distanciel (e-learning, classe virtuelle, présentiel et à distance). Le formateur alterne entre méthodes démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). La validation des acquis peut se faire via des études de cas, des quiz et/ou une certification.
Cette formation est animée par un consultant-formateur dont les compétences techniques, professionnelles et pédagogiques ont été validées par des diplômes et/ou testées et approuvées par l’éditeur et/ou par Audit Conseil Formation.
Les objectifs
pré-requis
Moyens pédagogiques, techniques et d'encadrement
- 1 poste de travail complet par personne
- De nombreux exercices d'application
- Mise en place d'ateliers pratiques
- Remise d'un support de cours
- Remise d'une attestation de stage
Modalités d'évaluation des acquis
- Evaluation des besoins et objectifs en pré et post formation
- Evaluation technique des connaissances en pré et post formation
- Evaluation générale du stage
Accessibilité handicapés
- Au centre d’affaires ELITE partenaire d’ACF à 20 m.
- Guide d’accessibilité à l’accueil.
Le Programme
Qu’est-ce que la data science ?
Les fondamentaux : big data, data lake, data mining, intelligence artificielle, machine et deep learning, text mining.
Les nouveaux défis : l'émergence et la multiplication de nouvelles sources de données.
Hétérogénéité des données, flux temps réel et explosion des volumes de données, à prendre en compte.
L’écosystème technologique du big data.
Démystifier le monde de la data science : analyse descriptive, prédictive et prescriptive.
Le métier, les outils et les méthodes du data scientist.
Introduction au machine learning, à l’analyse supervisée et à l’analyse non supervisée.
Notions de sur et sous-apprentissage.
Les méthodes et les modèles de la data science
Collecte, préparation et exploration des données.
L’importance de la démarche de la qualité des données (nettoyer, transformer, enrichir).
Définition des métriques.
Les méthodes statistiques de base.
Les principales classes d’algorithmes supervisés : arbres de décision, K plus proches voisins, régression, Naive Bayes.
Les principales classes d’algorithmes non supervisés : clustering, ACP, CAH, réseaux de neurones.
Le text mining et les autres familles d’algorithmes.
Représentation graphique et restitution des données
Les langages de l’analyse statistique R et Python.
Leurs environnements de développement (R-Studio, Anaconda, PyCharm) et leurs librairies (Pandas, machine learning).
Les outils de DataViz (Power BI, Qlik, tableau, etc.).
Modélisation des données : représentation des processus, des flux, des contrôles et des conditions.
Modélisation des données : les outils (Orange, Power BI).
Communiquer les résultats par le data storytelling : organiser le visuel (diagrammes, classements, cartographies).
Communiquer les résultats par le data storytelling : restituer la signification des résultats.
Modélisation d’un problème de data science
Récapitulatif de la démarche.
Analyse de deux cas métier, à titre d'exemple la relation client et la détection des fraudes, mais peuvent être autres.
Cas métier 1 : la relation client dans l’assurance.
Cibler les campagnes marketing. Comprendre les causes d’attrition client. Quels produits pour quels clients ?
Cas métier 2 : la détection des fraudes.
Comparer la recherche par statistiques classiques et data mining.
Détection par méthode supervisée. Détection par méthode non supervisée.